Bambang Siswoyo
Achmad Zaenal
Email : bambangf1@gmail.com
ABSTRAK
Indonesia merupakan negara tropis yang memiliki curah hujan sangat tinggi.
Model prediksi curah hujan digunakan untuk berbagai kepentingan dan kekakuratannya
menjadi penting terutama pada bidang-bidang khusus seperti pencegahan bencana banjir.
Saat ini penggunaan banyak digunakan radar dan pencitraan satelit untuk melihat
pergerakan paramater meteorologi untuk menentukan short term prepitation, akan tetapi
belum dapat dimodelkan untuk memprediksi long term prepitation.
Dalam proposal ini diusulkan salah satu suatu model kecerdasan buatan untuk
memprediksi long term prepitation. Teknik yang digunakan adalah fuzzy logic dimana
akan dilakukan proses matching dan pengkelasan data. Data pelatihan diperoleh dari
BMKG Makassar dengan fokus pengujian sistem untuk daerah Makassar dan sekitarnya.
Target data disesuaikan menjadi 5 kategori yaitu cerah, hujan ringan, hujan sedang, hujan
lebat dan badai berdasarkan standar BMKG. Hasil prediksi menunjukkan akurasi sebesar
82,19% dimana sebagian besar kegagalan pemetaan pada kategori hujan lebat dan badai.
I. PENDAHULUAN
Indonesia merupakan negara yang dilewati oleh garis katulistiwa serta dikelilingi
oleh dua samudera dan dua benua. Posisi ini menjadikan Indonesia sebagai daerah
pertemuan sirkulasi meridional (Utara-Selatan) dikenal sebagai Sirkulasi Hadley dan
sirkulasi zonal (Timur-Barat) dikenal sebagai Sirkulasi Walker, dua sirkulasi yang sangat
mempengaruhi keragaman iklim di Indonesia. Pergerakan matahari yang berpindah dari
23.5o Lintang Utara ke 23.5o Lintang Selatan sepanjang tahun mengakibatkan timbulnya
aktivitas moonson yang juga ikut berperan dalam mempengaruhi keragaman iklim.
Pengaruh lokal terhadap keragaman iklim juga tidak dapat diabaikan, karena Indonesia
merupakan negara kepulauan dengan bentuk topografi sangat beragam menyebabkan
sistem golakan lokal cukup dominan. Faktor lain yang diperkirakan ikut berpengaruh
terhadap keragaman iklim di Indonesia ialah gangguan siklon tropis. Semua aktivitas dan
sistem ini berlangsung secara bersamaan sepanjang tahun akan tetapi besar pengaruh dari
masing-masing aktivitas atau sistem tersebut tidak sama dan dapat berubah dari tahun ke
tahun (Boer, 2003).
Fenomena El-Nino dan La-Nina merupakan salah satu akibat dari penyimpangan
iklim. Fenomena ini akan menyebabkan penurunan dan peningkatan jumlah curah hujan
untuk beberapa daerah di Indonesia. Menurut
Boer (2003) sejak tahun 1844 Indonesia telah mengalami kejadian kekeringan atau
jumlah curah hujan di bawah rata-rata normal tidak kurang dari 43 kali. Dari 43 kali
kejadian tersebut hanya 6 kali kejadiannya tidak bersamaan dengan kejadian fenomena
1
El-Nino, hal ini menunjukkan bahwa keragaman hujan di Indonesia sangat dipengaruhi
oleh fenomena ini.
Prakiraan parameter klimatologi terutama hujan sudah menjadi kebutuhan Nasional.
Betapa tidak, bencana banjir akibat hujan yang turun dengan jumlah di atas normal atau
bencana kekeringan akibat jumlah curah hujan yang berada di bawah normal, sering
melanda wilayah Indonesia, bahkan disertai kerugian materi dan jiwa. Semua itu dapat
diantisipasi dengan informasi yang akurat tentang berapa besar curah hujan yang akan
turun di suatu tempat pada kurun waktu tertentu.
Pembacaan pola curah hujan dapat dilakukan oleh model kecerdasan buatan
(Artificial Inteligence) dengan menggunakan data historis mengenai parameter
klimatologi. Penelitian yang pernah dilakukan, menggunakan Backpropagation Neural
Network (Indrabayu, 2011), hasil peramalan dipandang masih dapat ditingkatkan
keakurasiannya, oleh sebab itu pada penelitian kali ini digunakan metode Fuzzy Logic
dengan harapan dapat memberikan hasil peramalan curah hujan yang lebih baik.
2
Pola hujan lokal memiliki distribusi hujan bulanan berkebalikan dengan pola monsun.
Pola lokal dicirikan oleh bentuk pola hujan unimodial (satu puncak hujan), tetapi
bentuknya berlawanan dengan tipe hujan monsoon.
Meski ada berbagai alasan di atas, namun fuzzy logic bukan merupakan konsep
yang sempurna yang bisa dipakai untuk memecahkan semua masalah. Fuzzifikasi
merupakan suatu proses pengubahan himpunan non-fuzzy (crisp) kedalam himpunan
fuzzy, masukan bukan fuzzy (crisp) dipetakan ke bentuk himpunan fuzzy sesuai dengan
variasi semesta pembicaraan masukan. Fungsi keangotaan (Membership Function) adalah
komponen penting.
Fungsi keangotaan adalah suatu kurva yang mendefinisikan bagaimana setiap
titik-titik data dalam ruang input yang dipetakkan antara 0 dan 1.Keanggotaan dalam
himpunan fuzzy mempunyai bentuk yang berbeda-beda terdiri dari bentuk linier, bell,
gaussian, trapesoidal dan triangular (Lautri, 2010). Bentuknya dapat terlihat pada gambar
1.
3
Terdapat beberapa jenis FIS yang dikenal yaitu Mamdani dan Sugeno. Blog
diagram FIS dapat terlihat pada gambar 2.
Aturan Dasar
Logika
input Fuzzifikasi Pengambilan Defuzifikasi output
Keputusan
Fuzzy Inference Sistem (FIS) merupakan bagian terpenting dalam fuzzy logic.
Logika pengambil keputusan merupakan suatu kerangka komputasi yang didasarkan pada
teori himpunan fuzzy, aturan fuzzy berbentuk IF - THEN, dan penalaran fuzzy. Fuzzy
Inference sistem (FIS) menerima input crisp. Input ini kemudian dikirim ke basis
pengetahuan yang berisi n aturan fuzzy berbentuk IF -THEN. Dalam FIS terdapat dua
proses yaitu:
1. Implikasi yaitu proses mendapatkan consequent keluaran sebuah IF-THEN rule
berdasarkan derajat kebenaran antecedent. Namun sebuah rule dapat diboboti dengan
bilangan antara 0 sampai 1 umumnya rule diberi bobot 1. Setelah setiap rule diberi
bobot proses implikasi baru bisa dilakukan. Implikasi dilakukan pada tiap rule,
Masukan dari proses implikasi adalah derajat kebenaran bagian antecedent dan fuzzy
set pada bagian consequent. Dua fungsi yang digunakan dalam proses implikasi adalah
min dan prod (product, menskalakan fuzzy set keluaran).
2. Agregasi yaitu proses mengkombinasikan keluaran semua IF THEN rule menjadi
sebuah fuzzy set tunggal. Jika bagian consequent terdiri lebih dari satu pernyataan
maka proses agregrasi dilakukan secara terpisah untuk tiap variabel IF-THEN rule.
4
Selanjutnya, pada hasil agregasi akan dilakukan defuzzifikasi untuk mendapatkan nilai
crisp sebagai output sistem.
5
Data yang diperoleh adalah data observasi harian lima unsur cuaca di kota
Makassar. Selanjutnya data ini akan dikelompokkan berdasarkan bulan yang sama untuk
meramalkan curah hujan bulan yang sama untuk tahun kedepan. Sebelum membuat
prediksi hal pertama dilakukan adalah membuat proses pelatihan, menentukan pola
masukan dan target yang diinginkan. Data yang telah dikelompokkan dari tahun 2004
sampai 2010 akan dijadikan input dan beberapa curah hujan tahun 2008 dan 2009 akan
dijadikan sebagai taget pelatihan. Dan data curah hujan 2010 dijadikan sebagai data
validasi untuk mengetahui kehandalan sistem ramalan Fuzzy Logic. Setelah mendapatkan
input dan target, dilakukan tahap pelatihan, validasi, dan prediksi menggunakan fuzzy
logic memakai software Matlab R2008a.
6
Proses clustering berhenti ketika jumlah maksimum dari iterasi tercapai atau ketika
perbaikan fungsi tujuan antara dua iterasi berturut-turut kurang dari jumlah minimum
perbaikan ditentukan.
3.4 Fuzzifikasi
Fuzzifikasi adalah tahap pemetaan nilai masukan dan keluaran kedalam bentuk
himpunan fuzzy. Data masukan berupa himpunan crisp yang akan diubah menjadi
himpunan fuzzy berdasarkan range untuk setiap variabel masukannya. Pada proses
fuzzifikasi ini terdapat dua hal yang harus diperhatikan yaitu nilai masukan dan keluaran
serta fungsi keanggotaan (membership function) yang akan digunakan untuk menentukan
nilai fuzzy dari data nilai crisp masukan dan keluaran. Pada proses fuzzifikasi ini
digunakan bentuk fungsi keanggotaan gaussian sebagai variabel masukan karena
gaussian sesuai apabila digunakan untuk data-data alami seperti data cuaca.
Disamping itu juga dipilih fungsi gaussian karena mempunyai tingkat keakurasian
tinggi dalam membaca data dibandingkan fungsi lainnya. Proses iterasi dilakukan pada
tahap fuzzifikasi, yaitu dengan merubah nilai range dan parameter yang digunakan untuk
membangun fungsi keanggotaan, serta dapat juga dengan merubah jenis fungsi
keanggotaan yang digunakan. Pada penelitan kali proses merubah nilai range dan
parameter yang ada dari fungsi keanggotaan dilakukan hingga mendapatkan sistem
dengan tingkat presisi yang tinggi. Berikut adalah fungsi keanggotaan (Membership
function) yang digunakan pada sistem fuzzy logic.
7
Tabel 2. Membership Function Variabel Output
Cerah 0–5
Hujan Ringan 5 – 20
Berdasarkan membership function yang telah ditentukan pada tabel 2, maka akan
terlihat kurva-kurva dari tiap variabel seperti pada gambar 4.
8
3.5 Rule-Based
Setelah dilakukan membership function, maka langkah berikutnya yaitu membuat
aturan (rule base). Rule base ini terdiri dari kumpulan aturan peramalan cuaca yang
berbasis fuzzy logic untuk menyatakan kondisi cuaca yang terjadi. Penyusunan rule base
ini berdasarkan pada sistem pakar yang ada, seperti terlihat pada Tabel 3.
9
h
R
13 T Sd h Rd Va Rg CH Cr
R S
14 T Sd h Rd Va d CH Cr
R
15 T Sd h Rd Va Kg CH Cr
R
16 T Sd h Rd Va Skg CH Cr
R
17 T Sd h Sd Va Rg CH Cr
R S
18 T Sd h Sd Va d CH Cr
R
19 T Sd h Sd Va Kg CH Cr
R
20 T Sd h Sd Va SKg CH Cr
R
21 T Sd h Tg Va Rg CH Cr
R S
22 T Sd h Tg Va d CH Cr
R
23 T Sd h Tg Va Kg CH Cr
R
24 T Sd h Tg Va SKg CH Cr
R
25 T Tg h Rd Va Rg CH Cr
R S
26 T Tg h Rd Va d CH Cr
R
27 T Tg h Rd Va Kg CH Cr
R
28 T Tg h Rd Va SKg CH Cr
R
29 T Tg h Sd Va Rg CH Cr
R S
30 T Tg h Sd Va d CH Cr
Rd = Rendah
Sd = Sedang
Tg = Tinggi
Rg = Ringan
Kg = Kencang
SKg = Sangat Kencang
10
Cara membaca rule pada Tabel 4, pada kolom berwarna biru “IF T is Rendah
AND Rh is Rendah AND Va is Ringan Then Cuaca Besok is Cerah”. Penyusunan rule
base sangat berpengaruh pada presisi sistem, pada tahap pengambilan keputusan
ditentukan berdasarkan rancangan rule base. Pada sistem perancangan prediksi hujan ini
terdapat 36 rule (beberapa rule table di atas tidak ditampilkan). Proses iterasi juga dapat
dilakukan dengan merubah aturan-aturan yang ada pada rule base, proses perubahan
aturan-aturan dilakukan hingga mendapatkan sistem dengan tingkat presisi yang tinggi.
Pada penelitian ini telah dilakukan banyak iterasi sehingga presisi sistem prediksi bisa
dimaksimalkan.
11
Januari 2009 hingga Desember 2009, yaitu sebanyak 365 data. Melalui program yang
telah dibuat dapat diamati hubungan antara variabel-variabel meteorologi hari ini dengan
kondisi cuaca keesokan harinya.
Berdasarkan 36 rule yang telah ditetapkan maka hasil keputusan dari fuzzy
direpresentasikan pada grafik status dimana fuzzy logic memiliki input dan output berupa
linguistik dan numerik. Hujan memiliki lima jenis nilai status secara linguistic yaitu
cerah hujan ringan, hujan lebat dan hujan koordinat sedang, hujan sangat lebat. Ketepatan
pengambilan berdasarkan fuzzy pada tahun 2009 terlihat pada keputusan logic Tabel 5
dan gambar 6.
Tabel 5. Validasi Hasil Prediksi Hujan Sistem Fuzzy Logic dengan Keadaan Sebenarnya
Tahun 2009
Hujan
No. Fuzzy logic Cerah Ringa
n Sedang Lebat Sangat Lebat
1 Aktual 281 34 33 15 2
2 Prediksi 270 78 17 - -
Jumlah benar
(hari) 300 hari
Jumlah salah
(hari) 65 hari
82.19
Keakuratan (%) %
Gambar 6. Grafik Perbandingan Prediksi Hujan Rata-rata per hari Tahun 2009
12
V. KESIMPULAN
Validasi curah hujan tahun 2010 dengan metode fuzzy logic mencapai 81.64%.
Angka ini lebih baik jika dibandingkan dengan penelitian sebelumnya yaitu sebesar 60%
(Lin, 2010). Perbaikan ke depannya bisa lebih jika fuzzy logic dikombinasikan dengan
jaringan saraf tiruan ataupun model prediksi lainnya.
DAFTAR PUSTAKA
Indrabayu, 2011. “Jaringan Sarat Tiruan dan Fuzzy Untuk Memprediksi Curah Hujan”,
Seminar Nasional Forum Komunikasi Teknik Elektro Indonesia.
Kusumadewi, Sri.2004, Membangun Jaringan Syaraf Tiruan Menggunakan Matlab &
Excel Link. Graha Ilmu.
Febi Lautri.2010 “Perancangan Aplikasi Kriptografi Simetri Menggunakan Algoritma
RC4”. Universitas Sumatera Utara.
Fei, Fu. Zhang Jian. Zhou Bao Qi.,2010 “Forecasting of Precipitation by RBF Neural
Network and Particle Swarm Optimization”. ICCET, IEEE conference.
Siang, jj, 2005, Jaringan Syaraf Tiruan Dan Pemrogramannya Menggunakan Matlab.
Yogyakarta: andi yogyakarta.
Muammar dan Lin Parenggo.2010. “Prediksi Hujan Di Wilayah Makassar Dengan
Menggunakan Metode Logika Fuzzy”. Jurusan Teknik Elektro Unhas, Tugas
Akhir.
13
14